电力系统拓扑识别中的复数拉普拉斯矩阵估计
摘要：从线性高斯模型中估计复值拉普拉斯矩阵的问题是我们研究的重点，特别是在电力系统中估计导纳矩阵的应用。我们提出的方法是基于复值拉普拉斯矩阵的约束最大似然估计（CMLE），该估计器可以构建为一个带有拉普拉斯和稀疏约束的优化问题。复值拉普拉斯矩阵是一个对称的非厄米矩阵，其实部和虚部之间具有联合稀疏模式。通过利用l1松弛和联合稀疏性，我们开发了两种实施CMLE的估计算法。第一种算法是将优化问题建模为半定规划（SDP）问题，而第二种算法是基于开发有效的增广Lagrangian方法（ALM）解法。接下来，我们将所提出的SDP和ALM算法应用于三种常用的测量模型下的导纳矩阵估计问题，这些模型源自基尔霍夫和欧姆定律，每个模型都具有不同的假设和简化：1)非线性交流（AC）模型；2)解耦的线性潮流（DLPF）模型；3)直流（DC）模型。使用IEEE 33节点电力系统数据对SDP和ALM算法的性能进行评估。数值实验表明，所提出的算法在均方误差（MSE）和F-score方面优于现有方法，因此对导纳矩阵的恢复提供了更准确的估计。
作者：Morad Halihal and Tirza Routtenberg and H. Vincent Poor
论文ID：2308.03392
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-08-08